UNIVERSIDADE FEDERAL FLUMINENSE LUIZ HENRIQUE DE CAMPOS MERSCHMANN CLASSIFICAÇÃO PROBABILÍSTICA BASEADA EM ANÁLISE DE PADRÕES

Transcrição

1 UNIVERSIDADE FEDERAL FLUMINENSE LUIZ HENRIQUE DE CAMPOS MERSCHMANN CLASSIFICAÇÃO PROBABILÍSTICA BASEADA EM ANÁLISE DE PADRÕES NITERÓI 2007

2 UNIVERSIDADE FEDERAL FLUMINENSE LUIZ HENRIQUE DE CAMPOS MERSCHMANN CLASSIFICAÇÃO PROBABILÍSTICA BASEADA EM ANÁLISE DE PADRÕES Tese de Doutorado submetida ao Programa de Pós-Graduação em Computação da Universidade Federal Fluminense como requisito parcial para a obtenção do título de Doutor. Área de concentração: Otimização Combinatória. Orientador: Alexandre Plastino de Carvalho NITERÓI 2007

3 CLASSIFICAÇÃO PROBABILÍSTICA BASEADA EM ANÁLISE DE PADRÕES Luiz Henrique de Campos Merschmann Tese de Doutorado submetida ao Programa de Pós-Graduação em Computação da Universidade Federal Fluminense como requisito parcial para a obtenção do título de Doutor. Aprovada por: Alexandre Plastino de Carvalho, D.Sc. / IC-UFF (Presidente) Nelson Francisco Favilla Ebecken, D.Sc. / COPPE-UFRJ Andre Carlos Ponce de Leon Ferreira de Carvalho, Ph.D. / ICMC-USP Ana Cristina Bicharra Garcia, Ph.D. / IC-UFF Bianca Zadrozny, Ph.D. / IC-UFF Niterói, 28 de agosto de 2007.

4 Dedico este trabalho à minha mãe, que perdeu noites de sono para que eu dormisse tranqüilo e sonhasse, que acreditou em mim, dando-me conança para que eu lutasse pelos meus sonhos, e que chorou de saudade quando a realização desses sonhos implicou em car longe de mim.

5 Agradecimentos Muitas pessoas contribuíram para que eu concluísse com êxito esta tese de doutorado. Por isso, seguem os meus sinceros agradecimentos a todos que, direta ou indiretamente, me auxiliaram nessa conquista. Inicialmente, agradeço aos meus pais, que não pouparam esforços para que eu pudesse alcançar os meus objetivos. Agradeço especialmente por terem me ensinado que, mesmo nos momentos mais difíceis, não devemos desistir de nossos sonhos. À minha amada Michelle, que com amor, carinho e paciência, compartilhou comigo todas as alegrias e tristezas vividas durante o doutorado. A sua presença iluminou cada instante de nossas vidas durante essa jornada. Ao professor Alexandre Plastino, orientador deste trabalho, por ter aceitado me orientar, pela amizade, paciência e apoio em todos os momentos necessários. Certamente, o seu entusiasmo como pesquisador e a sua postura prossional servirão como exemplo para mim por toda a vida. Aos professores e funcionários da UFF, que muito contribuíram para a minha formação acadêmica. Agradeço de forma especial ao professor Luiz Satoru Ochi, pelo auxílio nos primeiros anos do doutorado, e aos professores que participaram da banca de avaliação desta tese. A todos os amigos que conviveram comigo no Laboratório de Computação da Pós- Graduação, pelo incentivo e companheirismo. Aos amigos Haroldo Gambini Santos e Euler Horta Marinho, que com sábias palavras, muito me ajudaram na vida acadêmica e pessoal. Aos meus familiares, pelo inestimável apoio, incentivo e carinho.

6 Resumo Classicação é uma das tarefas de Mineração de Dados que tem se mostrado útil em diversas áreas de aplicação, em particular, na área de Bioinformática. A revolução genômica resultou em um crescimento exponencial da quantidade de dados biológicos gerados pela comunidade cientíca. Com a nalidade de armazenar toda essa informação biológica gerada, foram criados os bancos de dados biológicos. A necessidade por ferramentas computacionais capazes de realizar análises nesses dados tornou-se cada vez mais evidente, fazendo com que técnicas de mineração de dados começassem a ser empregadas. O trabalho desta tese concentra-se na tarefa de classicação e, inicialmente, na sua aplicação em bioinformática. O objetivo inicial é apresentar um método de classicação de proteínas computacionalmente eciente e capaz de alcançar altas taxas de acurácia, superando resultados apresentados anteriormente na literatura. Os bons resultados, em termos de acurácia preditiva e tempo computacional, obtidos a partir do método proposto nesta tese, demonstram o seu potencial para o problema de classicação de proteínas. Além disso, visando a construção de um classicador adequado para diversos tipos de aplicação, o método proposto inicialmente para o problema de classicação de proteínas foi estendido e mostrou-se eciente também quando utilizado com diferentes tipos de bases de dados pertencentes a aplicações distintas. Palavras-chave: mineração de dados, classicação, bioinformática.

7 Abstract Classication is a data mining task that has been useful in several application areas, particularly, in bioinformatics. The genomic revolution has resulted in an explosive growth of biological data generated by the scientic community. With the aim of storing all of these biological information, biological databases were created. The need for computational tools for analysing biological data becomes evident, resulting in the application of data mining methods in this eld. The work developed in this thesis is related to classication task and, initially, to its application to bioinformatics. The initial goal is to present a computationally ecient method for protein classication capable of yielding highly accurate results, outperforming the results obtained by previous works. The good results in terms of accuracy and time performance obtained by the proposed method show its potential for the protein classication problem. In addition, aiming to construct a suitable classier for several kinds of applications, the method proposed for the protein classication problem was extended, becoming appropriate and ecient for several databases associated with dierent applications. Keywords: data mining, classication, bioinformatics.

8 Glossário ARCS : Association Rule Clustering System; CAEP : Classication by Aggregating Emerging Patterns; CARs : Class Association Rules; CATH : Class/Architecture/Topology/Homology; CBA : Classication Based on Association; CFS : Correlation-based Feature Selection; GI : Ganho de Informação; EM : Expectation Maximization; EPs : Emerging Patterns; GPCR : G-Protein Coupled Receptors; HiSP : Highest Subset Probability; HiSP-Prot : Highest Subset Probability - for Protein Classication Problem; IC : Instituto de Computação; JEP : Jumping Emerging Pattern; KDD : Knowledge Discovery in Database; k-nn : k-nearest Neighbor; MEME : Multiple Expectation Maximization for Motif Elicitation; MS SQL : Microsoft Structured Query Language; NB : NaiveBayes; PCP : Protein Classication Problem; PDB : Protein Data Bank; PIR : Protein Identication Resource; RNA : Redes Neural Articial; SCOP : Structural Classication of Proteins; SVM : Support Vector Machines; UCI : University of California, Irvine; UFF : Universidade Federal Fluminense;

9 Sumário Lista de Figuras Lista de Tabelas x xi 1 Introdução 1 2 Técnicas e Algoritmos de Classicação Introdução O Processo de Classicação Estimativa da Acurácia dos Modelos de Classicação Avaliação dos Métodos de Classicação Pré-Processamento dos Dados Discretização de Atributos Valores Desconhecidos de Atributos Seleção de Atributos Métodos e Algoritmos de Classicação Classicação por Indução de Árvores de Decisão Indução de Árvores de Decisão Extração de Regras de Classicação Considerações Adicionais sobre Árvores de Decisão Classicação Bayesiana Teorema de Bayes Classicação Bayesiana Simples

10 Sumário viii Redes Bayesianas Considerações Adicionais sobre Classicadores Bayesianos Classicação Baseada em Conceitos de Regras de Associação ARCS Classicação Associativa CAEP Outros Classicadores Baseados em Conceitos de Regras de Associação Outros Métodos de Classicação k-nn Máquinas de Vetor de Suporte Classicação por Redes Neurais Classicação de Proteínas Considerações Iniciais O Problema de Classicação de Proteínas Bancos de Dados de Proteínas Trabalhos Relacionados O Método Proposto Avaliação do Método Proposto Avaliação Comparativa Avaliação do Impacto do Desbalanceamento de Classes das Bases de Dados na Classicação HiSP-Prot com Seleção de Motivos Generalização do HiSP-Prot Introdução Características do Método

11 Sumário ix 4.3 O Método Proposto Considerações Adicionais Resultados Experimentais Introdução Avaliação Comparativa Tempo Computacional e Escalabilidade Conclusões 92 Referências 97

12 Lista de Figuras 2.1 Espaço de soluções para um problema contendo quatro atributos [52] Árvore de decisão simples para avaliação de comportamento de consumidores Pseudocódigo do ID Etapa inicial da construção de uma árvore de decisão (a) Exemplo de uma rede Bayesiana e (b) Tabela de probabilidades condicionais da variável X Matriz bidimensional representando as características dos consumidores que compram computadores Hiperplano ótimo para classes linearmente separáveis Exemplo de uma rede neural. A instância de treinamento X = {x 1, x 2,..., x i } está alimentando a rede. Os pesos estão representados por w ji e w kj Exemplo de base de dados de proteína Pseudocódigo do HiSP-Prot Pseudocódigo do pré-processador do HiSP-Prot Comportamento do valor do limite mínimo Pseudocódigo do HiSP Escalabilidade segundo o número de instâncias

13 Lista de Tabelas 2.1 Base de dados de treinamento (*) Cálculo de entropia Base de dados de treinamento Resultados da avaliação comparativa Resultados de desempenho do HiSP-Prot Distribuição das proteínas entre as classes Resultados experimentais do HiSP-Prot com e sem seleção de motivos Resultados de acurácia para as bases de dados do Grupo Comparação do HiSP com as outras técnicas Número de atributos selecionados Resultados de acurácia para as bases de dados do Grupo 2 (todos os métodos utilizaram as bases reduzidas a partir da técnica Correlation-based Feature Selection) Resultados de acurácia para as bases de dados do Grupo 2 (somente o HiSP utilizou as bases reduzidas a partir da técnica Correlation-based Feature Selection) Comparação do HiSP com as outras técnicas Resultados de acurácia para as bases de dados do Grupo 2 (todos os métodos utilizaram as bases reduzidas a partir da técnica Consistency-based Feature Selection) Resultados de acurácia para as bases de dados do Grupo 2 (somente o HiSP utilizou as bases reduzidas a partir da técnica Consistency-based Feature Selection) Comparação do HiSP com as outras técnicas

14 Lista de Tabelas xii 5.10 Resultados de acurácia para as bases de dados do Grupo 2 (todos os métodos utilizaram as bases reduzidas a partir da técnica Information Gain Attribute Ranking) Resultados de acurácia para as bases de dados do Grupo 2 (somente o HiSP utilizou as bases reduzidas a partir da técnica Information Gain Attribute Ranking) Comparação do HiSP com as outras técnicas Tempo de CPU do HiSP para as bases de dados do Grupo Tempo de CPU do HiSP para as bases de dados do Grupo

15 Capítulo 1 Introdução A quantidade de dados disponível no mundo, em ambientes computacionais, tem aumentado consideravelmente a cada dia. A necessidade por ferramentas computacionais capazes de analisar esses dados motivou o surgimento da área de pesquisa e aplicação em ciência da computação conhecida como mineração de dados [29]. Processos de mineração de dados permitem a transformação de dados, uma matéria bruta, em informação e conhecimento úteis em diversas áreas de aplicação, tais como administração, nanças, saúde, educação, marketing, entre outras. O progresso vericado na tecnologia de hardware de computadores e nas técnicas de processamento, armazenamento e transmissão de informações digitais propiciou o acúmulo de grandes quantidades de dados históricos nas últimas décadas, motivando, a partir de 1990, o desenvolvimento de técnicas e ferramentas especícas de mineração de dados. Tais ferramentas realizam análises em dados com o objetivo de extrair informações novas e úteis. De forma simples, tarefas em mineração de dados podem ser denidas como processos automatizados de descoberta de novas informações a partir de grandes massas de dados armazenadas em bancos de dados, arquivos de texto, data warehouses, ou em algum outro repositório de dados. Sendo uma área de estudo extensa e interdisciplinar, a mineração de dados envolve a integração de conceitos e técnicas de diversas áreas, tais como: banco de dados, estatística, inteligência articial, visualização de dados e otimização. Apesar de alguns autores utilizarem o termo mineração de dados como sinônimo de KDD (Knowledge Discovery in Database) [29] processo de descoberta de conhecimento em bases de dados, outros consideram que a mineração de dados representa a etapa central desse processo maior denominado KDD. As outras etapas tratam, basicamente,

16 1 Introdução 2 do pré-processamento dos dados (seleção, limpeza e transformação) e pós-processamento da informação minerada (visualização e análise). Os problemas tratados em mineração de dados são resolvidos por dois grandes grupos de soluções ou tarefas: Tarefas descritivas: têm como objetivo encontrar padrões que descrevam os dados, permitindo sua análise. As principais tarefas descritivas são: Extração de Regras de Associação e Agrupamento (Clustering). Tarefas preditivas: realizam inferências sobre os dados existentes para predizer o comportamento de novos dados. As principais tarefas preditivas são: Classicação e Regressão. Classicação é uma das tarefas mais importantes em mineração de dados, sendo portanto objeto de inúmeras pesquisas. Os resultados apresentados nesta tese concentram-se nessa tarefa e na sua aplicação na área de bioinformática. Dentre as diversas áreas de aplicação das técnicas de mineração de dados, a bioinformática vem se destacando nas últimas décadas. Essa nova área de estudo, também surgida recentemente, trata do armazenamento, organização, análise, interpretação e utilização de informações provenientes de dados biológicos [92]. A revolução genômica resultou num crescimento exponencial da quantidade de dados biológicos gerados pela comunidade cientíca. Com a nalidade de armazenar toda essa informação biológica gerada, foram criados os bancos de dados biológicos [10]. A necessidade por ferramentas capazes de realizar análises nesses dados tornou-se evidente, fazendo com que técnicas de mineração de dados começassem a ser empregadas nesse contexto. Desse modo, diversas técnicas de mineração de dados vêm sendo propostas por pesquisadores para solucionar problemas biológicos [92], tais como: descobrir associações e correlações entre genes, localizar genes especícos em uma seqüência, predizer a estrutura ou a função de uma proteína, agrupar proteínas em famílias de seqüências relacionadas entre si, entre outros. Motivação e Objetivos do Trabalho A construção de classicadores precisos e computacionalmente ecientes para bases de dados grandes, em termos de volume e dimensão, é um importante desao da área de

17 1 Introdução 3 mineração de dados. O intenso interesse por esse tema fez com que diversas técnicas para construção de classicadores fossem propostas, tais como: árvores de decisão [71], k-nn (k-nearest Neighbor) [20], classicadores Bayesianos [26], redes neurais [39], máquinas de vetor de suporte (Support Vector Machines SVM) [89], entre outras. O problema de classicação de proteínas (Protein Classication Problem PCP) vem sendo objeto de vários trabalhos de pesquisa na área de bioinformática. Trata-se de uma importante tarefa para a biologia molecular, uma vez que, através da identicação da classe de uma proteína, é possível inferir quais são as suas funções. Algumas técnicas de classicação têm sido utilizadas com o intuito de predizer a função de proteínas a partir de suas composições de motivos (motifs) [38, 70, 91, 93]. Uma ferramenta computacional de pré-processamento e análise de dados genéticos, denominada GenMiner, foi apresentada em [38]. Nesse trabalho, árvores de decisão foram utilizadas para a classicação das proteínas. No trabalho proposto em [70], desenvolveu-se um algoritmo de indução de regras de classicação a partir de autômatos nitos. As propostas apresentadas em [91, 93] também exploraram a técnica de extração de árvores de decisão com o objetivo de extrair regras para classicar as proteínas. Apesar de esses trabalhos apresentarem resultados promissores para a tarefa de classicação de proteínas, evidenciando que as técnicas utilizadas foram adequadas para resolução do problema em questão, somente em [70] realizaramse experimentos englobando um grande conjunto de proteínas (aproximadamente 40000) armazenado no banco de dados biológico adotado o Prosite [45]. E para esse caso, o método proposto atingiu uma acurácia de somente 41,4%. Esse fato motivou a proposta inicial deste trabalho, cujo objetivo é apresentar um método de classicação de proteínas computacionalmente eciente e capaz de alcançar altas taxas de acurácia, superando resultados apresentados anteriormente, mesmo para bases de dados contendo um grande número de proteínas. Por realizar a classicação tomando como base probabilidades associadas a subconjuntos de valores de atributos que caracterizam as proteínas, o primeiro método proposto nesta tese foi denominado HiSP-Prot (Highest Subset Probability - for Protein Classication Problem). No HiSP-Prot, a classicação de instâncias é baseada em análise de padrões. Considerando que cada instância é descrita por um conjunto de atributos, um padrão corresponde a uma combinação de valores desses atributos que caracteriza uma determinada classe. A idéia central do método é classicar uma instância descobrindo-se quais subconjuntos dos seus valores de atributos melhor caracterizam alguma classe. Desse modo, o classicador

18 1 Introdução 4 atribui a uma nova instância a classe que melhor é descrita pelos seus subconjuntos de valores de atributos. As técnicas apresentadas em [38] e [70] para resolver o PCP foram escolhidas para uma avaliação comparativa com o HiSP-Prot, uma vez que essas abordagens apresentaram os melhores resultados experimentais. Os bons resultados obtidos na avaliação realizada nesta tese mostraram o potencial do método proposto para a resolução do PCP e motivaram a proposta de uma generalização do mesmo. Portanto, o segundo objetivo desta tese é estender o método proposto inicialmente para o PCP (HiSP-Prot), tornando-o adequado e eciente para diferentes tipos de bases de dados pertencentes a aplicações distintas. A generalização do HiSP-Prot foi denominada simplesmente HiSP (Highest Subset Probability). Para avaliar e validar o método HiSP a partir de bases de dados com características distintas e pertencentes a diferentes aplicações, 40 bases de dados de domínio público, freqüentemente utilizadas em experimentos de mineração de dados, foram selecionadas no repositório de dados UCI Machine Learning Repository [12]. A partir dessas bases, resultados que conrmam a eciência do HiSP são obtidos ao compará-lo com importantes técnicas de classicação, tais como: árvores de decisão, k-nn, classicação Bayesiana simples e classicação associativa. O restante desta tese está organizado como especicado a seguir. O Capítulo 2 contém uma denição do processo de classicação e uma revisão bibliográca sobre o tema. O Capítulo 3 apresenta o problema de classicação de proteínas, os trabalhos relacionados, o método proposto para solucionar esse problema, os experimentos computacionais realizados e a análise dos resultados obtidos. A generalização do método proposto para o problema de classicação de proteínas, com o objetivo de torná-lo adequado e eciente para outras aplicações, é descrita no Capítulo 4. O Capítulo 5 relata os resultados obtidos com o método generalizado para experimentos realizados com as 40 bases de dados utilizadas. Por m, o Capítulo 6 apresenta as conclusões deste trabalho e propostas de trabalhos futuros.

19 Capítulo 2 Técnicas e Algoritmos de Classicação 2.1 Introdução Tradicionalmente, a literatura da área de mineração de dados apresenta o processo de KDD (Knowledge Discovery in Database) dividido em seis etapas, as quais englobam duas grandes fases: a preparação dos dados e a sua mineração. O processo de KDD começa com a compreensão do domínio da aplicação e o estabelecimento de objetivos a serem alcançados. A próxima etapa corresponde a uma preparação dos dados. Nessa fase, os dados são pré-processados, ou seja, passam por transformações com o objetivo de carem adequados ao uso pelas técnicas de mineração de dados. Posteriormente, chega-se à fase de mineração dos dados. Uma das tarefas mais importantes em mineração de dados, que tem se mostrado útil em diversas áreas de aplicação, é a classicação. Ela corresponde a uma forma de análise de dados cujo objetivo é construir modelos, a partir de um conjunto de instâncias com características e classes conhecidas, capazes de classicar novas instâncias a partir de suas características. Essa tarefa é considerada preditiva, uma vez que são realizadas inferências sobre dados para se predizer a classe de uma nova instância. Vários métodos de classicação vêm sendo propostos por pesquisadores das áreas de aprendizado de máquina, estatística e mineração de dados. Neste capítulo, uma visão geral do processo de classicação é apresentada na Seção 2.2. As Seções 2.3 e 2.4 discutem técnicas relacionadas com a avaliação dos métodos de classicação. Em seguida, algumas questões relacionadas com o pré-processamento dos dados são abordadas na Seção 2.5. Por m, na Seção 2.6, são apresentados métodos e algoritmos comumente utilizados pela comunidade cientíca para a tarefa de classicação.

20 2.2 O Processo de Classicação O Processo de Classicação O processo de classicação pode ser dividido em duas etapas. Na primeira etapa, conhecida como treinamento, o objetivo é construir modelos que caracterizem as classes a partir dos valores dos atributos das instâncias da base de dados, ou seja, modelos capazes de realizar o mapeamento entre valores de atributos de uma instância e uma determinada classe. A construção desse modelo é realizada por meio de análise de instâncias contidas numa base de dados, as quais são representadas pelos seus atributos. Cada instância pertence a uma classe, denida por um dos atributos, denominado atributo classe. As instâncias analisadas para a construção do modelo constituem uma base de dados conhecida como base de dados de treinamento. Na segunda etapa, o modelo construído é avaliado quanto à sua acurácia preditiva. Se esse teste de acurácia produzir resultados aceitáveis, o modelo poderá ser utilizado na classicação de novas instâncias, ou seja, instâncias cujas classes são desconhecidas. A estimativa da acurácia preditiva do modelo é realizada utilizando-se um conjunto de instâncias cujas classes são conhecidas. Desse modo, por meio de análise comparativa, pode-se calcular o percentual de instâncias corretamente classicadas, ou seja, a precisão (ou acurácia) do modelo para o conjunto de instâncias em questão. Se a acurácia do modelo for estimada a partir das mesmas instâncias utilizadas para sua construção, provavelmente, uma estimativa otimista será obtida. Sendo assim, o mais indicado é utilizar instâncias que não zeram parte do conjunto de treinamento. Essas instâncias constituem a base de dados de teste. Portanto, um procedimento comum antes do início do processo de classicação é a divisão da base de dados inicial (que contém instâncias cujas classes são conhecidas) em base de dados de treinamento e de teste. A Seção 2.3 descreve dois métodos comumente utilizados na estimativa da acurácia de modelos de classicação. 2.3 Estimativa da Acurácia dos Modelos de Classicação A avaliação da acurácia dos modelos de classicação é importante por permitir uma estimativa da precisão do modelo ao classicar dados futuros, ou seja, dados que não foram utilizados no processo de construção do modelo. Além disso, essa estimativa permite a comparação de desempenho entre diferentes classicadores sobre um mesma base de dados de teste.

21 2.3 Estimativa da Acurácia dos Modelos de Classicação 7 Segundo [37], holdout e validação cruzada (cross validation) são dois métodos comumente utilizados na avaliação da acurácia de um classicador. Nos dois métodos, a base de dados inicial é particionada para gerar as bases de dados de treinamento e de teste. No método holdout a base de dados inicial é aleatoriamente dividida nas bases de treinamento e de teste. Geralmente, dois terços dos dados da base inicial são utilizados como base de dados de treinamento, e o restante, como base de dados de teste [51]. Para evitar que a estimativa da acurácia seja inuenciada por uma possível particularidade da partição que compõe a base de dados de teste, na prática, é comum aplicar o método holdout k vezes, gerando assim k pares (treinamento e teste) de bases de dados distintos. Desse modo, a acurácia é obtida a partir da média dos percentuais de acerto obtidos a partir de cada um dos k testes. Na k-validação cruzada (k-fold cross validation) [51], a base de dados inicial é aleatoriamente dividida em k partições de mesmo tamanho (ou aproximadamente do mesmo tamanho). A acurácia corresponde à média dos percentuais de acerto de k iterações. Em cada iteração, cada uma das k partições geradas forma a base de dados de teste e as k 1 partições restantes, a base de dados de treinamento. Segundo [95], uma grande quantidade de testes sobre diversas bases de dados têm mostrado que o valor de k igual a dez é o mais adequado para se obter uma boa estimativa da precisão do classicador. Portanto, na prática, a validação cruzada com k igual a dez vem sendo o método mais utilizado. No entanto, uma única realização da 10-validação cruzada pode não ser suciente para obtenção de uma boa estimativa da acurácia do modelo. Isso pode acontecer devido à aleatoriedade existente na escolha das k partições. Sendo assim, um procedimento geralmente realizado para tentar melhorar a estimativa da acurácia é a repetição da 10-validação cruzada dez vezes. A acurácia será o resultado médio dessas dez execuções. Apesar de o método 10-validação cruzada ser o mais comumente utilizado, outros dois métodos são freqüentemente citados na literatura, o leave-one-out [85] e o bootstrap [28]. O leave-one-out é simplesmente uma n-validação cruzada, onde n é o número de instâncias da base de dados. Já o bootstrap corresponde a um procedimento estatístico de amostragem com reposição. Nesse caso, a base de dados de treinamento é formada por meio de amostragem com reposição na base de dados inicial, e a base de teste, pelos elementos não selecionados para a composição da base de dados de treinamento.

22 2.4 Avaliação dos Métodos de Classicação Avaliação dos Métodos de Classicação Tanto na avaliação de um método de classicação especíco quanto na comparação entre diferentes métodos, os seguintes critérios podem ser levados em consideração [37]: Acurácia preditiva: é a habilidade que o modelo possui de predizer corretamente a classe de uma instância desconhecida. Desempenho: corresponde aos custos computacionais envolvidos na geração e aplicação do modelo. Robustez: é a habilidade do modelo de classicar corretamente instâncias a partir de dados com ruídos e com valores de atributos desconhecidos. Escalabilidade: refere-se à construção eciente de modelos a partir de grandes quantidades de dados. Interpretabilidade: diz respeito ao grau de compreensibilidade proporcionado pelo modelo ao usuário da aplicação. 2.5 Pré-Processamento dos Dados Atualmente, é muito comum existirem bases de dados contendo ruídos, dados inconsistentes e instâncias com valores de atributos desconhecidos. Desse modo, uma fase de preparação dos dados pode ser utilizada com o intuito de melhorar a qualidade dos mesmos. Além disso, transformações podem ser necessárias para adequar os dados ao uso por alguma técnica de mineração de dados especíca. Diversas técnicas de pré-processamento podem ser utilizadas na fase de preparação dos dados. Na Seção 2.5.1, são apresentados alguns métodos de discretização de atributos. Em seguida, na Seção 2.5.2, são mostradas algumas alternativas propostas para lidar com os valores desconhecidos de atributos. Por m, o problema de seleção de atributos é discutido na Seção Discretização de Atributos Diversos algoritmos de mineração de dados trabalham com bases de dados contendo somente atributos discretos. No entanto, na prática, algumas bases de dados possuem